Using genetic algorithms with variable-length chromosomes in radar detector scan schedule optimization

Abstract

The process of designing a radar detector scan schedule is inherently one of compromise and problem specific prioritization. Tuning such a schedule to the problem at hand tends to happen iteratively. This is characterized by continuous testing and evaluation against some acceptable performance benchmark. This project explored whether genetic algorithms with variable-length chromosomes (GA-VLC) could be used for generating such schedules. This optimization scheme is inspired by the process of evolution by natural selection. Given a database of known radar systems, the aim was to generate scan schedules capable of detecting as many of these systems as possible when placed in a radar environment described by the database in question. Achieving this required the design of a fitness function capable of assigning a figure of merit to a given schedule. This figure would reflect the degree to which the schedule was capable of capturing the underlying structure of the solution space. These figures of merit, i.e. their fitness value, were then used to guide the schedules towards optimality. After the optimization process, the schedules were tested using Monte Carlo simulations, the results of which shoved that GA-VLC is capable of generating scan schedules of high quality, optimized for radar databases of different sizes.

Å designe en søkestrategi for en radardetektor krever problemspesifikke kompromisser og prioriteringer. Kalibreringen av slike strategier er typisk iterative prosesser. Framgangsmåtene kjennetegnes av kontinuerlig testing og evaluering, opp mot et satt kvalitetskriterium. I dette prosjektet undersøktes det hvorvidt genetiske algoritmer med kromosomer av variabel lengde kunne brukes til å generere slike strategier. Dette er en optimaliseringsmetode som er inspirert av den naturlige evolusjonsprosessen. Målet var å lage strategier som, gitt en database med kjente radarsystemer, kunne detektere så mange av disse systemene som mulig når søkestrategien ble brukt i et radarmiljø som svarer til databasen. For at dette skulle være mulig måtte det defineres en fitness-funksjon. Funksjonen måtte være i stand til bedømme en gitt strategis evne til å kapre det underliggende løsningsrommet. Det vil si at jo bedre en løsning var, dess høyere ble dens fitness-verdi. Disse verdiene var nødvendige for å guide optimaliseringsprosessen. Etter optimaliseringen ble strategiene testet med Monte Carlo-simuleringer av radarmiljøene. Resultatene viste at de beskrevne genetiske algoritmene er i stand til å generere søkestrategier av høy kvalitet for radardatabaser av ulik størrelse.